论文部分内容阅读
近年来,债券融资作为中国资本市场重要的融资手段,其增长速度己远远超过同期股权融资。自2014年3月,"11超日债”出现实质性违约打破中国债券市场的“刚性兑付”后,债券违约事件层出不穷,未来债券违约可能出现“常态化”的发展趋势。公司债券作为违约债券中数量较多的债券品种,分析其具体违约原因具有一定代表性。在观察违约公司债发行主体的行业分布时发现,高污染、高能耗行业占比较高,国家环保政策的收紧势必对相关行业企业的经营产生影响。因此,本文将反映企业环境责任、社会责任和内部管理能力的ESG指标与传统的公司债违约影响指标结合,构建出公司外部(宏观经济),公司内部(财务因素、ESG、债券相关因素)两大层面共14个变量的指标体系,通过定性分析形成较为完善的理论逻辑体系;其次,在考虑数据可得性的情况下,本文以t-1期数据为预测基础,选取了2014-2019年的35只违约公司债和175只正常公司债作为构建公司债违约风险识别模型的样本,针对样本存在的非平衡性,本文使用ADASYN算法对训练集进行优化,提高模型对于违约样本的识别能力。本文以Catboost、单一机器学习算法(SVM、BP)、传统集成学习算法(GBDT、Adaboost)设计公司债违约风险识别方案,并通过不同方案评价指标的对比,验证Catboost作为主要算法的合理性。接着,本文通过比较是否包含ESG指标的三类10种模型在测试集上的结果,判断ESG信息对于公司债违约风险的识别作用。最后,本文对基于Catboost算法的公司债违约风险识别方案的实践途径进行了分析。本文通过以上分析得出如下结论:(1)ESG信息的加入能有效提高公司债违约风险识别模型的识别能力(2)基于Catboost算法的模型与基于单一机器学习算法的模型和基于传统集成学习算法的模型相比在公司债违约风险识别研究中识别能力更强;(3)基于Catboost算法的公司债违约风险识别方案能够帮助投资者筛选投资标的和建立债券违约预警体系。